[发明专利]一种结合时空特征和误差处理的风能预测方法

说明书

本发明公开了一种结合时空特征和误差处理的风能预测方法，所述方法包括以下步骤：从风能时间序列中提取时间特征，通过多输入‑单输出的模式提取距离较近风电机之间的信息，引入空间特征；通过基于k近邻的噪声数据检测方法对时间特征和空间特征进行预处理；对预处理后的特征进行时空特征的方差属性分析，基于分析的结果训练多组预测器模型；采用加权平均数方式对多个预测模型进行组合，生成基于时空特征方差的集成学习模型，用于对组合后的预测模型进行误差预测；使用集成学习模型得到预测值y，将和时空特征相应的误差特征输入到辅助模型中，得到结果y′，则最终的预测值为y+y′；集成学习模型和辅助模型相结合生成最终的模型。

技术领域

本发明涉及数据挖掘、特征工程和风能预测领域，尤其涉及一种结合时空特征和误差处理的风能预测方法。

背景技术

目前用于风能预测的机器学习算法主要有人工神经网络、决策树、支持向量机回归等。由于风能预测问题本身就是一个“依据特征预测数值”的问题，与一般的机器学习方法具有很好的可结合性，使得大多数常用的机器学习方法包括：随机森林、神经网络、以及各类回归算法等能够很容易的迁移应用到这一领域。

目前无法证明一个模型比另一个模型更好：首先，尚不存在一个公认的评价标准来评判各个模型，其次，若要对比两个模型的效果，需要在相同的数据集下进行对比，这是不符合现实需求的，风能预测器的表现与其具体应用的区域有很强的相关性，不同模型在不同的数据集下表现不同，一些场景下神经网络是表现最好的模型，而在另外的场景中，支持向量机回归是最好的模型。因此这些模型目前处于并存的状态。

除了针对模型的研究，也有研究人员对用于预测的特征进行了考察，研究人员将时空信息引入到风能特征提取中，使得风电功率预测的准确率有了很大提高。所谓时空特征，就是既包含一个发电机发电功率的历史信息，又包含其附近其它发电机发电功率信息的特征。一般的，发电机的发电功率强相关于风速，而风速本身就是一种时空相关特征，因此引入时空特征是风电功率预测的一个突破性进展。

但是，目前对于风能预测的技术也存在缺点。首先，单一模型只能满足特定环境下的预测，不能满足一般条件的风电预测。另外，对于时空特征的研究还不够，一般只是将若干距离较近的发电机的特征拼接到一起，而未做更深入的信息挖掘。

发明内容

本发明提供了一种结合时空特征和误差处理的风能预测方法，本发明能够提取更为有效的特征结合集成学习，有效克服传统单一模型在预测中往往只能适用特定场景，不具有普适性的技术性问题，详见下文描述：

一种结合时空特征和误差处理的风能预测方法，所述方法包括以下步骤：

从风能时间序列中提取时间特征，通过多输入-单输出的模式提取距离较近风电机之间的信息，引入空间特征；

通过基于k近邻的噪声数据检测方法对时间特征和空间特征进行预处理；

对预处理后的特征进行时空特征的方差属性分析，基于分析的结果训练多组预测器模型；

采用加权平均数方式对多个预测模型进行组合，生成基于时空特征方差的集成学习模型，用于对组合后的预测模型进行误差预测；

使用集成学习模型得到预测值y，将和时空特征相应的误差特征输入到辅助模型中，得到结果y′，则最终的预测值为y+y′；集成学习模型和辅助模型相结合生成最终的模型。

所述通过基于k近邻的噪声数据检测方法对时间特征和空间特征进行预处理具体为：

对每个时空特征X_i，计算与其他特征X_j的相似度，选择h个相似度最大的作为近邻，然后依据时空特征X的输出和近邻的输出，判断时空特征X是否是噪音，并剔除掉噪声构成特征集。

所述基于分析的结果训练多组预测器模型具体为：